基于Transformer的新backbone来了!在ImageNet上高达84.7%的top-1精度,性能优于SENet、EfficientNet等,将其应用于目标检测、实例分割等下游任务,涨点显著!代码即将开源!实验做得相当充分!
注1:文末附【Transformer】流群
Bottleneck Transformers for Visual Recognition
- 作者单位:UC Berkeley, 谷歌
- 论文:https://arxiv.org/abs/2101.11605
我们介绍BoTNet,这是一种简单却功能强大的backbone,该架构将自注意力纳入了多种计算机视觉任务,包括图像分类,目标检测和实例分割。通过仅在ResNet的最后三个bottleneck blocks中用全局自注意力替换空间卷积,并且不进行其他任何更改,我们的方法在实例分割和目标检测方面显著改善了基线,同时还减少了参数,从而使延迟最小化。
通过BoTNet的设计,我们还指出如何将具有自注意力的ResNet bottleneck blocks看作是Transformer块。